APEX-RBD: Mixed-Precision Exploration Framework for Hardware-Efficient Robot Dynamics Accelerator Design
APEX-RBD is een geautomatiseerd framework dat efficiënte mixed-precision exploratie voor robotdynamica-accelerators mogelijk maakt door gebruik te maken van natuurkundig gestuurde zoekruimte-pruning en een data-efficiënt surrogaatmodel om hardwareconfiguraties te identificeren die het oppervlak en het energieverbruik aanzienlijk verminderen terwijl de bewegingsnauwkeurigheid behouden blijft.
Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer
Robots die bewegen met de vloeiende gratie van een levend wezen, vertrouwen op een constante, razendsnelle conversatie tussen hun sensoren en hun spieren. In het hart van deze conversatie ligt een reeks berekeningen die bekend staat als rigide lichaam dynamica (rigid body dynamics). Dit zijn de wiskundige regels die bepalen hoe de ledematen van een robot zullen zwaaien, hoeveel kracht er nodig is om een object op te tillen, en hoe de machine zal reageren wanneer hij struikelt. Om een robot in realtime te laten bewegen, moeten deze berekeningen duizenden keren per seconde plaatsvinden. Als de computer in de robot te traag is, hapert de machine of valt hij; als hij te groot of te energieverslindend is, kan hij niet worden meegedragen door een drone of een lopende robot. Jarenlang hebben ingenieurs geprobeerd speciale chips te bouwen om deze berekeningen te versnellen, maar de chips zelf zijn een bottleneck geworden. Ze zijn vaak te groot en verbruiken te veel elektriciteit om aan de rand (the edge) van een robot te passen, wat dwingt tot een moeilijke afweging tussen hoe slim een machine kan zijn en hoe lang hij kan functioneren.
De uitdaging ligt in de aard van de wiskunde zelf. Om deze berekeningen sneller te maken, gebruiken ingenieurs vaak een techniek genaamd kwantisatie, wat de getallen die de computer gebruikt vereenvoudigt. Stel je voor dat je de afstand tot een muur probeert te meten met een liniaal die alleen streepjes in inches heeft versus een liniaal met streepjes in millimeters; de inch-liniaal is sneller af te lezen maar minder nauwkeurig. In het verleden probeerden onderzoekers elk getal in de berekening van de robot te vereenvoudigen met hetzelfde niveau van precisie, alsof je een liniaal met alleen inch-streepjes voor de hele klus gebruikt. Deze aanpak, hoewel eenvoudig, is verspillend. Het behandelt elk getal alsof het dezelfde mate van detail nodig heeft, zelfs wanneer sommige delen van de berekening vergevingsgezind zijn en andere kritisch. Een kleine fout in een specifieke berekening kan ervoor zorgen dat een robot uit koers raakt, maar een grote fout in een ander deel kan onopgemerkt blijven. Het probleem was dat het vinden van de perfecte balans van precisie voor elk getal leek op het zoeken naar een naald in een hooiberg die constant van grootte veranderde.
Een team van onderzoekers aan The Hong Kong University of Science and Technology heeft een nieuw framework ontwikkeld genaamd APEX-RBD om dit probleem op te lossen. In plaats van te eisen dat elk getal hetzelfde is, bepaalt hun systeem automatisch hoeveel precisie elk deel van de berekening nodig heeft. Ze realiseerden zich dat sommige variabelen in het brein van de robot zeer gevoelig zijn voor fouten, terwijl andere dat niet zijn. Door de gevoelige delen een hoge precisie te geven en de minder gevoelige delen een lagere precisie, konden ze de hardware aanzienlijk verkleinen zonder dat de robot omvalt. Echter, het aantal mogelijke combinaties voor deze verschillende precisieniveaus is zo groot dat het controleren ervan één voor één jaren zou duren. Om dit te overwinnen, bouwden de onderzoekers een slimme ontdekker die leert om de uitkomst van een ontwerp te voorspellen zonder telkens de volledige, tijdrovende simulatie te hoeven draaien.
Het framework werkt in drie afzonderlijke fasen om deze complexiteit te bedwingen. Eerst groepeert het de duizenden variabelen in de berekeningen van de robot op basis van hoe ze zich fysiek gedragen. Vervolgens analyseert het hoe gevoelig elke groep is voor fouten, waardoor een kaart ontstaat die laat zien welke getallen het belangrijkst zijn. Deze stap alleen al vermindert het aantal mogelijkheden dat de computer moet overwegen. Vervolgens traint het systeem een lichtgewicht model om als een kristallen bol te fungeren. In plaats van de volledige beweging van de robot voor elk nieuw ontwerp te simuleren, wat uren duurt, voorspelt dit model het eindresultaat in milliseconden. Het leert van een kleine set voorbeelden en gebruikt de gevoeligheidskaart om te begrijpen hoe fouten in één deel van het systeem doorwerken naar de uiteindelijke beweging. Ten slotte gebruikt het systeem een hybride zoekstrategie om de beste configuratie te vinden. Het combineert een brede zoektocht om veelbelovende gebieden te vinden met een proces van fijnafstemming dat de precisie van specifieke variabelen aanpast om de laatste restjes efficiëntie eruit te persen.
Toen de onderzoekers deze aanpak testten op drie zeer verschillende robots — een zeven-gewrichtige arm, een twaalfbenige viervoeter en een negenentwintig-gewrichtige humanoïde — vonden ze dramatische verbeteringen. Vergeleken met de standaardmethode waarbij alle getallen gelijk worden behandeld, reduceerden hun geoptimaliseerde ontwerpen de fysieke grootte van de hardware met wel 1,9 keer en verlaagden ze het stroomverbruik met wel 1,8 keer. Deze besparingen werden gerealiseerd terwijl de beweging van de robot net zo nauwkeurig bleef als voorheen. Het systeem was in staat om deze efficiënte ontwerpen in ongeveer tien uur te vinden op een standaard werkstation, een taak die met oudere methoden onmogelijk zou zijn geweest. Het werk demonstreert dat door het unieke behoeften van elk deel van een robotbrein te begrijpen, ingenieurs machines kunnen bouwen die kleiner, energiezuiniger en in staat zijn tot complexe taken aan de edge, wat ons dichter bij een toekomst brengt waarin robots vrij en onafhankelijk in onze wereld kunnen bewegen.
Verdrinkt u in papers in uw vakgebied?
Ontvang dagelijkse digests van de nieuwste papers die bij uw onderzoekswoorden passen — met technische samenvattingen, in uw taal.